背景
联合仿真系统用于多个独立的模型联仿，并通过共享数据来实现交互。这种系统的研发方向之一，是支持更多类型的异构模型进行联合仿真，例如机器学习模型。
相关技术路线
在系统中支持机器学习模型有以下三种方式：
实现方式：
- 通过特定软件将机器学习模型转换为微软标准的ONNX模型
- 通过jar包执行对应的模型
缺陷：
- 通过Java执行ONNX模型，比pyhon直接执行更占用资源
- 只能推理不能训练
- 将ONNX模型封装为FMU 实现方式：
- 使用特定软件将机器学习模型转换为微软标准的ONNX模型
- 通过python封装为fmu
- 对应系统配置python环境
缺陷：
- 封装成fmu过程复杂，需要在服务器配置特点的python环境，对fmu的导出有严格要求
- 机器学习的模型逻辑与联仿的时序性有区别
- 通过代理的方式调用Python接口 需要考虑联仿系统如何协调外部节点
